Investigación Dos tercios del presupuesto en inteligencia artificial son infraestructura
Una encuesta global revela que la infraestructura consume dos tercios de la inversión en IA y que el almacenamiento es el principal generador de sobrecostos. Claves para que las empresas latinoamericanas no pierdan el control.
Dos de cada tres dólares que una empresa destina a inteligencia artificial no terminan en modelos, ni en talento, ni en software: se quedan en servidores, discos y redes. Una encuesta de Wasabi Technologies realizada entre 1.700 tomadores de decisiones de TI en doce países, incluido Japón, reveló que el 67% del presupuesto de IA se consume en infraestructura. El dato cobra relevancia en un momento donde solo el 34% de las organizaciones reporta un retorno positivo de su inversión en IA, y otro 41% espera alcanzarlo en los próximos doce meses.
El problema no es solo el volumen de gasto, sino dónde se fuga. El 48% de los encuestados señaló el almacenamiento y el acceso a datos como el principal desafío al implementar IA. Seis de cada diez organizaciones reconocieron haber excedido su presupuesto de almacenamiento en la nube durante 2025. La facturación de los servicios cloud se divide casi por la mitad: un 50% corresponde al espacio de almacenamiento contratado; el otro 49% se va en operaciones de API, consultas a datos y transferencias.
Para una empresa en América Latina, donde los costos de ancho de banda internacional y las tarifas de salida de datos suelen ser más altos que en Estados Unidos o Europa, esa segunda mitad puede doler aún más.
El costo oculto de la infraestructura
Detrás de cada proyecto de IA hay una cadena de decisiones técnicas que impactan directamente en el presupuesto. Wasabi encontró que el 73% de las organizaciones ya usa múltiples proveedores de almacenamiento en la nube (multicloud), y el 65% combina entornos on-premise con nube (híbrido). La intención es evitar la dependencia de un solo vendedor y controlar costos, pero la complejidad de gestionar varios entornos suele generar sobrecostos imprevistos.
Un informe de Databricks sobre infraestructura de IA recuerda que no se trata solo de comprar GPUs. Un sistema como ChatGPT requiere miles de GPUs interconectadas, redes de alta velocidad y un software de orquestación finamente ajustado. Para una empresa promedio, el error más común es sobredimensionar la capacidad de cómputo y descuidar el almacenamiento. Las GPU pueden estar infrautilizadas, pero los costos de datos siguen creciendo porque los pipelines de entrenamiento e inferencia generan volúmenes masivos de información.
Ese caudal de información no solo exige capacidad de cómputo, sino también un diseño cuidadoso de las capas de adquisición, procesamiento y almacenamiento. Si en el sector salud, con regulaciones estrictas como HIPAA, la infraestructura ya es el cuello de botella, en cualquier otra industria lo será igual.
Otro hallazgo clave de la encuesta de Wasabi es que más de la mitad de las organizaciones reconoce que entre el 25% y el 74% de sus datos almacenados son "dark data": información que no se usa para análisis ni toma de decisiones. El 95% de los encuestados dijo que analizar y aprovechar esos datos es una prioridad. Para Andrew Smith, director de estrategia e inteligencia de mercado de Wasabi, la presencia de tantos datos oscuros es una oportunidad: las empresas ya tienen la materia prima para innovar sin incurrir en costos adicionales de almacenamiento, si logran activarla.
Qué deben revisar las empresas en América Latina
La lección para un CTO o CIO latinoamericano es que el control del presupuesto de IA empieza por auditar el almacenamiento y la transferencia de datos. No basta con negociar descuentos en GPUs o suscripciones a modelos. Hay que medir cuánto se gasta en operaciones de datos, qué proporción del presupuesto de infraestructura corresponde a costos fijos de almacenamiento versus costos variables de acceso, y si los datos acumulados realmente se están utilizando para entrenar o inferir.
Prácticas como la adopción de arquitecturas híbridas o multicloud pueden ayudar, pero también requieren gobernanza. Databricks recomienda comenzar con proyectos piloto pequeños, establecer métricas claras de utilización de GPU y aplicar principios de gestión de costos para monitorear el gasto en la nube. En la región, donde el acceso a divisas y la volatilidad cambiaria pueden encarecer las suscripciones internacionales, optimizar el uso de la infraestructura no es un lujo: es una condición para que la IA sea sostenible.
Un análisis reciente en MSN describe un giro preciso: la inversión en IA ya no compra inteligencia, compra control. Las empresas que no logren dominar los costos de infraestructura terminarán con modelos potentes que nunca justificarán su inversión. La pregunta que cada líder de TI en América Latina debería hacerse no es cuánto está gastando en IA, sino cuánto de ese gasto está realmente habilitando decisiones de negocio y cuánto se está evaporando en tuberías de datos mal diseñadas.
